基于 AI 的5G技术——研究方向与范例 | 东南大学尤肖虎

发布时间:2020-02-26分享到:

       第五代移动通信(5G)技术将为移动互联网的快速发展提供无所不在的基础性业务能力,在满足未来10年移动互联网流量增加1000倍发展需求的同时,为全行业、全生态提供万物互联的基础网络技术。相对已有的移动通信技术,5G技术适用面更为广泛,系统设计也更为复杂。重新复兴的人工智能(AI)技术为5G系统的设计与优化提供了一种超越传统理念与性能的可能性。
 

图片来源于Springer微信公众号
 

       Science China Information Sciences发表了东南大学尤肖虎教授等撰写的评述“AI for 5G: research directions and paradigms”。该评述在概述5G移动通信关键技术的基础上,梳理了AI技术在5G系统设计与优化方面富有发展前景的若干发展方向。具体而言,AI在5G中的应用问题分为以下四种类型:


       无法建模问题

       移动通信系统的网络优化涵盖一类难以统一建模的技术问题,如覆盖问题、干扰问题、邻区选择、及越区切换问题等,其运维通常更多地依赖于工程人员的实践经验。相比之下,5G系统涉及的应用场景更为综合、KPI种类更多,特别是5G NR中基于大规模天线阵列的密集波束应用,需要引入更高维度的优化参数,对网络运维带来了更为艰巨的挑战。5GNR另一个难以建模的问题是KPI优化。如前所述,5G NR的KPI涉及峰值速率、频谱效率、时间延迟、网络可靠性、连接密度及用户体验速率等多个维度,这些指标往往是相互依赖或相互矛盾的,因而难以建立全局性的优化模型。


       难以求解问题

       5GNR涉及一系列资源分配问题,包括:小区间时频资源块分配(如图1)、正交导频资源分配、波束分配、大规模MIMO多用户聚类及无线网络虚拟化资源池调配等。这些问题的模型优化目标是使得整个无线网络的吞吐率最大化,并满足一定程度的用户服务比例公平性。其最优解求解问题通常属于NP-hard类型的组合优化,对应的计算复杂度随系统规模的增加而指数增长。传统的解决方法一般将此类问题进行静态分割,从而以较低的计算量获取次优的解决方案。AI技术则为此类问题的解决提供了可能的技术途径。
 

图1. 一个典型的多小区、多用户下行链路资源块分配示意图

图片来源:Science China Information Sciences
 

       统一模式高效实现问题

       5GNR涉及一些基本功能模块的级联组合。以5G NR的物理层为例,涉及大规模MIMO多用户空时处理、NOMA信号检测及LDPC码和Polar码信道编译码等功能模块。上述每个功能模块算法各不相同,但理论上均可以单独采用AI学习技术逐一加以解决。这启发我们,可用统一的、基于AI技术的软硬件方案解决5G NR物理层所有的关键功能模块,从而简化系统的设计流程、加速工程实现的进程、提高物理层实现的可配置性,并最终降低系统实现成本、提高实现效率。一个基于神经网络的联合均衡和译码实现如图2所示。
 

图2. 基于神经网络的联合均衡和译码实现。

图片来源:Science China Information Sciences
 

       最优检测与估计问题

       将AI应用于5G系统的直观的想法是,用人工神经网络来取代传统发射机和接收机的基本功能模块。如前所述,基于人工神经网络训练的方法,其无线传输性能最多也只能接近香农容量界;但相对于经典的优化设计方法,其计算量可能更为庞大,且训练所需的收敛时间也会限制其实际应用。另一个更值得探讨的研究方向是,使用AI技术进行跨层联合优化,包括:物理层与媒体控制层的联合优化、信源与信道的联合优化及算法设计与硬件实现的联合优化等,这些均是传统方法所难以解决的。

       对于前两类问题,由于缺乏有效的传统解决方案,AI技术通常更具应用潜力。而对于后两类问题,AI技术相对于传统的解决方案是否在性能或实现上具备更强的竞争力,则视其具体解决方案而定。更具体地,该评述介绍了AI应用于5G系统的四个典型范例:网络自组织与自优化、时频资源最优分配、5G通用加速器、及5G物理层端到端优化。

       该评述希望厘清AI技术在5G系统中最有发展生命力的研究方向,并通过在这些方向上的进一步努力,使5G系统性能与实现的便利性可以显著超越传统移动通信系统。基于所给出的若干典型应用范例,研究者有理由期待上述努力在不远的未来取得显著的成效。

 

来源:Springer微信公众号

上一篇:没有了
下一篇:70年70人“话”通信 | 刘韵洁:中国互联网的“筑路人”...